基于高光譜數據的農田土壤養分含量估測模型研究

祁亞琴，張顯峰，張立福，呂 新，張 澤，陳 劍，李新偉，王 飛，彭 奎

(1.北京大學地球與空間科學學院/遙感研究所生態遙感實驗室，北京 100871；2.石河子大學/新疆兵團綠洲生態農業重點實驗室，新疆石河子 832003；3.中國科學院遙感與數字地球研究所高光譜研究室，北京 100094)

0 引 言

【研究意義】實現土壤信息化與數字化管理是農業精準管理的前提。而快速、實時、準確、無損地監測農田土壤主要養分(全氮TN、全磷TP、全鉀TK)含量的信息是未來實現精準農業的關鍵技術之一。傳統的分析方法既耗資又費時，需要快速、準確的監測地表信息的新方法。目前，高光譜遙感技術極高的光譜分辨率，具備定量獲取土壤化學組分含量的潛力[1]，可通過土壤的反射率模擬土壤組成和成分變化，推算出土壤水肥狀況[2]，制定灌溉、施肥管理等處方決策[3]，達到減少浪費，保護生態環境的目的，為探索適合新疆及兵團特色的精準農業的實施提供技術支持，具有十分重要的意義[4]。【前人研究進展】20世紀初，利用高光譜遙感技術開展了監測土壤信息方面的應用研究，表明土壤的營養元素含量與土壤反射率光譜之間存在良好的相關性，Bendor等[5]通過對土壤近紅外波段光譜的分析，估算了碳酸鹽等6種土壤指標；并用近紅外分析法預測了蒙脫石中Fe、A1、Mg和Si的含量；Chodak等[6]利用線性回歸分析，研究了森林土壤生化物質之間的關系。彭玉魁等[7]采用近紅外光譜分析法對中國黃土區總氮含量進行了評價；徐永明等[8]通過對光譜曲線的去包絡分析強化吸收特征，提取土壤的主要吸收帶，宋海燕等[9]采用近紅外光譜儀經一階導數處理預測了土壤OM和pH含量，預測相關系數達0.8以上，發現土壤顆粒大小嚴重影響土壤N含量的預測能力，對P、K的預測效果不是很好；李偉等[10]用近紅外光譜分析法預測土壤堿解氮含量；于飛健等[11]發現近紅外光譜與土壤全氮、堿解氮具有良好的相關性，用近紅外光譜法估算土壤全氮、堿解氮的含量是可行的。【本研究切入點】國內外對于土壤的物理化學參數的估算研究己有不少，但這些模型適用于其他地區時，則產生很大的誤差。基于高光譜遙感技術在新疆及兵團農區的有關土壤理化參數的反演研究少有報道。研究基于高光譜數據的農田土壤養分含量估測模型。【擬解決的關鍵問題】研究土壤光譜數據的基本特征，對其敏感波段進行篩選，通過診斷指數與土壤全氮、全磷、全鉀含量相關分析，建立快速反演土壤特征參量的數學模型。

1 材料與方法

1.1 材 料

試驗于2014～2015年在新疆農墾科學院試驗地(45°20′N，86°40′E)進行，面積為1 hm2，平均海拔450.8 m，年平均氣溫6.5～7.2℃，年降水量125.0～207.7 mm，無霜期168～171 d，≥0℃的活動積溫4 023～4 118℃，≥10℃的活動積溫3 570～3 729℃。試驗地供試土壤為灰色壤土，pH值8.46～8.72，有機質含量13.8～21.6 g/kg，堿解氮66～144 mg/kg，有效磷 14.2～36.6 mg/kg，速效鉀 110～218 mg/kg，試驗地前茬小麥。

1.2 方 法

1.2.1 土壤光譜測試

采用美國ASD公司 Field Spec Pro VNIR 2500型光譜輻射儀對新疆農墾科學院5個試驗區100個樣本點進行了土壤光譜測試。野外光譜測試時設定視場角為25°，探測器頭部垂直向下距被測土壤表面部約100 cm，每個處理測定10～15條曲線(取其平均值作為該測試點的光譜反射值)，光譜曲線掃描設定時間0.2 s。測量前、后都立即進行白板校正。

1.2.2 土壤室內測定

采用《土壤農業化學分析方法》測定和提取分析土壤化學指標信息，具體方法略[12-13]。

1.2.3 高光譜參數及提取

在高光譜遙感數據中，由于光譜的近似連續性，利用數據變換形式(對數變換、微分變換)可構建光譜參數、光譜吸收指數等[14]可以模擬、反演它的生物物理、化學參數。所構建的高光譜指數，例如某一波長λ0的歸一化光譜指數NDI可表示為：

(1)

式中R1、R2分別表示1、2兩個波段的光譜反射率。

2 結果與分析

2.1 基于NDI預測土壤全氮TN含量反演模型的建立

研究表明，利用驗證樣本(n=25)對基于歸一化光譜指數NDI建立的6種預測土壤全氮含量的模型進行了檢驗，以指數函數建立的估算模型方程預測效果最好，其預測值與實測值的擬合度為0.798 2，較其他模型最高，且具有最小均方根差RMSE為0.000 2，TN 的光譜預測值與其實側值之間具有良好的相關性，此方程的估計精度高，通過此方程可以較精確的估算出土壤全氮含量；以冪函數建立的相關數學模型其預測值與實測值的擬合度為0.745 3也較高；而以對數函數和簡單線性函數建立的模型方程預測結果偏低。表1

表1 基于NDI預測土壤全氮含量TN擬合模型
Table 1 The fitting model of Soil total nitrogen TN based on NDI (n=25)

方程類型Modeltype模型方程Modelequation擬合方程Regressionequation相關系數CorrelationCoefficient(R)復相關系數Multiplecorrelationcoefficient(R2)均方根差Root-mean-square-error(RMSE)簡單線性函數Simplelinearfunctiony=a+bxy=-0.0293+0.1312x0.6771**0.42850.2623冪函數Powerfunctiony=axby=0.0315x1.80410.8633**0.74530.0006對數函數Logarithmicfunctiony=a+bln(x)y=0.0771+0.0426ln(x)0.5346**0.28580.1558指數函數Exponentialfunctiony=a·exp(bx)y=0.0005·exp(4.7003x)0.8934**0.79820.0002一元二次函數Quadraticfunctiony=ax2+bx+cy=0.2847x2-0.1856x+0.02280.7852**0.61660.0059一元三次函數Cubicfunctiony=ax3+bx2+cx+dy=0.1451x3+0.0261x2-0.061x+0.00930.7537**0.56810.0024

注：**表示置信度達a<0.01 (R=0.449)

Note:**indicatesaconfidence level ofa<0.01 (R=0.449)

2.2 基于NDI的土壤全磷(TP)含量反演模型的建立

研究表明，利用驗證樣本(n=25)對基于歸一化光譜指數NDI建立的6種預測土壤全磷含量的模型進行了檢驗，以一元三次函數建立的估算模型方程預測效果最好，其預測值與實測值的擬合度為0.563 1最高，且具有最小均方根差RMSE為0.152 3，TP 的光譜預測值與其實側值之間具有較好的相關性，以一元二次函數和對數函數建立的相關數學模型其預測值與實測值的擬合度也較高；而以冪函數和指數函數建立的模型方程預測結果偏低。 表2

表2 基于NDI預測土壤全磷含量TP的擬合模型
Table 2 The fitting model of Soil total phosphorus TP based on NDI (n=25)

方程類型Modeltype模型方程Modelequation擬合方程Regressionequation相關系數CorrelationCoefficient(R)復相關系數Multiplecorrelationcoefficient(R2)均方根差Root-mean-square-error(RMSE)簡單線性函數Simplelinearfunctiony=a+bxy=0.1506+4.9757x0.7132**0.50870.1615冪函數Powerfunctiony=axby=5.3242x0.9360.6851**0.46940.1612對數函數Logarithmicfunctiony=a+bln(x)y=2.3171+0.7323ln(x)0.7317**0.53540.1571指數函數Exponentialfunctiony=a·exp(bx)y=0.3376·exp(6.2703x)0.6583**0.43340.1665一元二次函數Quadraticfunctiony=ax2+bx+cy=-45.195x2+18.548x-0.78930.7410**0.54910.1547一元三次函數Cubicfunctiony=ax3+bx2+cx+dy=802.27x3-412.32x2+72.357x-3.31890.7504**0.56310.1523

注：**表示置信度達a<0.01 (R=0.449)

Note:**indicates a confidence level ofa<0.01 (R=0.449)

2.3 基于NDI的土壤全鉀(TK)含量反演模型的建立

研究表明，利用驗證樣本(n=25)對基于歸一化光譜指數NDI建立的6種預測土壤全鉀含量的模型進行了檢驗，以一元三次函數建立的估算模型方程預測效果最好，其預測值與實測值的擬合度為0.515 0最高，且具有最小均方根差RMSE為2.053 9，TK的光譜預測值與其實側值之間具有較好的相關性，以一元二次函數和對數函數建立的相關數學模型其預測值與實測值的擬合度也較高；而以冪函數和指數函數建立的模型方程預測結果最低。 表3

表3 基于NDI預測土壤全鉀含量TK擬合模型
Table 3 The fitting model of Soil total potassium TK based on NDI (n=25)

方程類型Modeltype模型方程Modelequation擬合方程Regressionequation相關系數CorrelationCoefficient(R)復相關系數Multiplecorrelationcoefficient(R2)均方根差Root-mean-square-error(RMSE)簡單線性函數Simplelinearfunctiony=a+bxy=14.463+105.35x0.6007**0.36082.3580冪函數Powerfunctiony=axby=23.953x0.06930.6693**0.44802.1077對數函數Logarithmicfunctiony=a+bln(x)y=22.633+1.0916ln(x)0.6896**0.47562.1357指數函數Exponentialfunctiony=a·exp(bx)y=14.277·exp(6.5163x)0.5680**0.32262.4047一元二次函數Quadraticfunctiony=ax2+bx+cy=-3769.7x2+332.32x+14.0370.7057**0.49802.3430一元三次函數Cubicfunctiony=ax3+bx2+cx+dy=80189x3-11471x2+490.57x+13.8790.7176**0.51502.0539

注：**表示置信度達a<0.01 (R=0.449)

Note:**indicates a confidence level ofa<0.01 (R=0.449)

2.4 精度評價

通過反演結果可以看出，土壤主要養分估算模型的預測值(n=25，求其平均值)與實測值(n=25，求其平均值)之間都具有較高的相關性。其中，土壤全鉀含量的預測值與實測值之間的相對誤差較大，為29.703 9%，其估算模型的預測精度也較低，僅為70.296 1%。表4

表4 基于NDI預測土壤特征參量模型驗證
Table 4 Validation the fitting model of soil characteristic parameters based on NDI (n=25)

特征參量Characteristicparameters(g/kg)估算模型Estimationmodel預測值Predictedvalue實測值Measuredvalue相對誤差Relativeerror(%)預測精度ForecastAccuracy(%)全氮含量TNYTN=0.0005e4.7003XNDI0.570.6321.8578.14全磷含量TPYTP=802.27x3NDI-412.32x2NDI+72.357xNDI-3.31891.021.1024.3375.66全鉀含量TKYTK=80189x3NDI-11471x2NDI+490.57xNDI+13.87921.7319.4029.7070.29

3 討 論

通過歸一化光譜指數NDI建立了土壤養分含量的高光譜遙感監測模型，并對所建立的各類模型進行了精度檢驗和評價。基于NDI可以較好的估算土壤全氮、全磷、全鉀含量，這些利用統計方法建立的經驗模型，簡單實用，將對特定區域、特定土壤信息預測有較好的效果[15]。

4 結 論

參考文獻(References)

[1] 王人潮,蘇海萍,王深法.浙江省主要土壤光譜反射特性及其模糊分類在土壤分類中的應用研究[J].浙江農業大學學報,1986,12(4):464-471.

WANG Ren-chao, SU Hai-ping, WANG Shen-fa. (1986). Spectral Reflectance Characteristics and Its Fuzzy Classification Applied to Soil Classification in Zhejiang Province [J].JournalofZhejiangAgriculturalUniversity, 12(4):464-471. (in Chinese)

[2] 張仁華.實驗遙感模型及地面基礎[M].北京:科學出版社,1992.

ZHANG Ren-hua. (1992).ExperimentalRemoteSensingModelandGroundFoundation[M]. Beijing: Science Press. (in Chinese)

[3] 劉良云.高光譜遙感在精準農業中的應用研究[R].中國科學院遙感應用研究所博士后出站報告,2002:38-45.

LIU Liang-yun. (2002).ApplicationofHyperspectralRemoteSensinginPrecisionAgriculture[R]. Postdoctoral Report of Institute of Remote Sensing Applications, Chinese Academy of Sciences: 38-45. (in Chinese)

[4] 鄭蘭芬,童慶禧,王晉年，等.高光譜分辨率遙感進展,遙感科學進展[M].北京:科學出版社,1995:1-175.

ZHENG Lan-fen, TONG Qin-xi, WANG Jin-nian, et al. (1995).ProgressinRemoteSensingofHyperspectralResolution,AdvancesinRemoteSensingScience[M]. Beijing: Science Press: 1-175. (in Chinese)

[5] Bendor, E., & Banin, A. (1995). Near-infrared analysis as a rapid method to simultaneously evaluate several soil properties.SoilScienceSocietyofAmericaJournal, 59(2): 364-372.

[6] Chodak, M., Ludwig, B., Khanna, P., & Beese, F. (2015). Use of near infrared spectroscopy to determine biological and chemical characteristics of organic layers under spruce and beech stands.JournalofPlantNutritionandSoilScience,165(1): 27-33.

[7] 彭玉魁,張建新,何緒生，等.土壤水分、有機質和總氮含量的近紅外光譜分析研究[J].土壤學報,1998,(35):554-559.

PENG Yu-kui, ZHANG Jiang-xin, HE Xu-sheng, et al. (1998). Analysis of Soil Moisture, Organic Matter and Total Nitrogen by Near Infrared Spectroscopy [J].ActaPedologicaSinica, (35):554-559. (in Chinese)

牧區經濟貧困落后與草原生態安全之間存在著互為因果、互相強化的惡性循環關系[23]。天祝屬于純牧業縣，在經濟的發展過程中應該考慮其草原生態環境，首先應該加強控制實際的載畜量，降低超載率，防止退化草原的持續惡化，同時還應注重草原牧區科教事業的發展[23]，提高該區域農牧民的受教育水平。鑒于天祝牧區高寒草原生態安全的敏感性和脆弱性，在未來的發展中各級政府尤其要重視該地區草原生態安全，制定相關政策保障該地區高寒草原的生態安全。

[8] 徐永明,藺啟忠,黃秀華，等.利用可見光、近紅外反射光譜估算土壤總氮含量的實驗研究[J].地理與地理信息科學,2005,21(1):19-22.

XU Yong-ming, Lin Qi-zhong, HUANG Xiu-hua, et al. (2005). Experimental Study on Estimating Total Nitrogen in Soil Using Visible Light and Near Infrared Reflectance Spectroscopy [J].GeographyandGeo-informationScience, 21(1):19-22. (in Chinese)

[9] 宋海燕.基于光譜技術的土壤、作物信息獲取及其相互關系的研究[D].杭州：浙江大學博士學位論文.2005:1-130.

SONG Hai-yan. (2005).Simulationofsoilandcropinformationandtheirrelationshipbasedonspectraltechniques[D]. PhD Dissertation. Zhejiang University, Hanzhou: 1-130. (in Chinese)

[10] 李偉,張書慧,張倩,等.近紅外光譜法快速測定土壤堿解氮、速效磷和速效鉀含量[J].農業工程學報,2007,23(1):55-59.

LI Wei, ZHANG Shu-hui, ZHANG Qian, et al. (2007). Rapid Determination of Soil Available Nitrogen, Available Phosphorusand Available Potassium by Near Infrared Spectroscopy [J].JournalofAgriculturalEngineering, 23(1):55-59. (in Chinese)

YU Fei-jian, MIN Shun-geng, JU Xiao-tang, et al. (2002). Analysis of Soil Organic Matter and Nitrogen by Near Infrared Spectroscopy [J].AnalysisLaboratory, 21(3): 49-51. (in Chinese)

[12] 魯如坤.土壤農業化學分析方法[M].北京:中國農業科技出版社, 2000.

LU Ru-kun. (2000).Soilagriculturalchemicalanalysis[M]. Beijing : China Agricultural Science and Technology Publishing House. (in Chinese)

[13] 鮑士旦,土壤農化分析[M].北京:中國農業出版社， 2000.

BAO Shi-dan.(2000).AnalysisofSoilAgriculture[M]. Beijing: China Agricultural Press. (in Chinese)

[14] 劉磊,沈潤平,丁國香.基于高光譜的土壤有機質含量估算研究 [J]. 光譜學與光譜分析，2011,(3):762-766.

LIU Lei, SHEN Run-ping, DING Guo-xiang. (2011). Estimation of Soil Organic Matter Based on Hyperspectral Spectra and Spectral Analysis [J].SpectroscopyandSpectralAnalysis, (3):762-766. (in Chinese)

[15]陳彥,呂新.基于FCM的綠洲農田養分管理分區研究[J].中國農業科學,2008,(7):2016-2024.

Yan Chen,Xin LV.(2008). Partition based on FCM oasis farmland nutrient management study [J]. Chinese Agriculture Science ,(7):2016-2024.